1 Stata operation

1.1 Import data

• use

  grilic_small.dta 文件的目录请根据自己的文件目录填写，数据文件可在陈强老师的网站下载，Click here，选择《计量经济学及Stata应用》中的数据集下载。

  1	use "D:\Demo\University\XMU\Class_files\Econometrics\Econometrics and Stata application\Data-Finished-bachelor\grilic_small.dta", clear

1 Introduction

本文为参考洪永淼老师《高级计量学》复习高级计量经济学的学习笔记。

1 Markov model

1.1 Preparation and definition

• Import modules

  1 2 3 4 5 6 7 8 9 10 11 12

  import numpy as np import pandas as pd from numpy import linalg as la from sklearn.metrics import mean_absolute_error, r2_score from sklearn.metrics import mean_squared_error # Plot module import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] # Microsoft YaHei, Times New Roman plt.rcParams['axes.unicode_minus'] = False

1 Differential equation model

1.1 Introduction

• 特点

当描述实际对象的某些特征随时间（或空间）而演变的过程、分析它的变化规律、预测它的未来形态、研究它的控制手段时，通常需要建立对象的 动态微分方程模型。

微分模型求解的结果就是问题的答案，该答案是 唯一 的。

• 典型的模型：
  • 传染病的预测模型
  • 经济增长预测模型
  • 兰彻斯特（Lanchester）战争预测模型
  • 药物在体内的分布于排除预测模型
  • 人口的预测模型
  • 烟雾的扩散与消失模型

模型的基本规律随着时间的增长趋势呈指数形式，根据变量的个数建立微分方程。

1 Introduction

• 中文显示乱码问题

Matplotlib 库缺少中文字体，因此在图标上显示中文会出现乱码，解决办法：

1
2
3
4
5
6
7
8

from pyplt import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus'] = False

# 或
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

1. Python 数据类型

1.1 String

• 字符串的换行

1
2
3
4
5
6
7
8
9

# 长字符串的换行
s2 = 'It took me six months to write this Python tutorial. \
    Please give me more support. \
    I will keep it updated.'

# 表达式的换行
num = 20 + 3 / 4 + \
    2 * 3
print(num)

1 NumPy version

1
2

import numpy as np
print(np.__version__) # 查看 numpy 版本

NumPy( Numerical Python) 是 Python 数值计算最重要的基础库，核心是 N 维数组对象 ndarray ( N-dimensional array )。

1 Series

1.1 Preparation

• Import modules

  1 2	import pandas as pd import numpy as np

1.2 Different data type

• Time type

  1 2 3

  >>> t = pd.Timestamp('20180901') # time type >>> t Timestamp('2018-09-01 00:00:00')

  Created by means of data_range.

  1 2 3 4 5

  >>> dates = pd.date_range('20200101', periods = 6) >>> dates DatetimeIndex(['2020-01-01', '2020-01-02', '2020-01-03', '2020-01-04','2020-01-05', '2020-01-06'], dtype='datetime64[ns]', freq='D')

  Read more »